Обнаружение нефтяных загрязнений водных поверхностей с помощью БПЛА и мультиспектральных изображений на основе технологий глубокого обучения
(Стр. 152-160)
Подробнее об авторах
Гладких Татьяна Яновна
научный сотрудник, аспирант
Институт проблем управления им. В.А. Трапезникова Российской академии наук
г. Москва, Российская Федерация
Институт проблем управления им. В.А. Трапезникова Российской академии наук
г. Москва, Российская Федерация
Аннотация:
В данной статье представлен алгоритм идентификации нефтяных загрязнений водных поверхностей на базе глубокого обучения, с использованием мультиспектральных изображений 5-канальной камеры, полученных с беспилотных летательных аппаратов (БПЛА). Алгоритм, основанный на архитектуре Unet с энкодером efficientnet-b0, демонстрирует высокую точность сегментации и является частью системы экологического мониторинга. С использованием данных о естественных и контролируемых разливах нефти, а также органических сливах, метод прошел полевые испытания на различных водоемах, что подтверждает его эффективность и надежность в оперативном выявлении загрязнений. Особое внимание в статье уделено вопросам точности и быстродействия алгоритма. Разработанный метод обладает высокой скоростью обработки данных и может быть успешно применен в различных климатических условиях. Полученные результаты демонстрируют, что предложенный алгоритм способен автоматически обнаруживать даже незначительные загрязнения водных поверхностей, что позволяет оперативно реагировать на экологические катастрофы и минимизировать их последствия. Предложенный алгоритм показал высокие результаты. При выбранной конфигурации модели были достигнуты метрики Dice Loss на уровне 0.00265 и IoU Score равный 0.9971. Данные высокие значения подтверждают надежность и точность предложенного подхода, обеспечивая точную идентификацию нефтяных пятен.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Гладких Т.Я. Обнаружение нефтяных загрязнений водных поверхностей с помощью БПЛА и мультиспектральных изображений на основе технологий глубокого обучения // Computational Nanotechnology. 2024. Т. 11. № 5. С. 152-160. DOI: 10.33693/2313-223X-2024-11-5-152-160. EDN: CGGJDP
Список литературы:
Amani M. et al. Remote sensing systems for ocean: A review. Part 1: Passive systems // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2022. Vol. 15. Pp. 210–234.
Cheng K., Chan S., Lee J.H. Remote sensing of coastal algal blooms using unmanned aerial vehicles (UAVs) // Marine Pollution Bulletin. 2020. Vol. 152. P. 110889.
Ding H., Li R., Lin H., Wang X. Monitoring and evaluation on water quality of Hun River based on landsat satellite // Progress in Electromagnetic Research Symposium (PIERS). 2016. Pp. 1532–1537.
Eljabri A., Gallagher C. Developing integrated remote sensing and GIS procedures for oil spills monitoring at Libyan coast // WIT Transactions on Ecology and the Environment. 2012. Vol. 44. Pp. 17–20.
Garcia-Pineda O., Hu Ch., Sun Sh., Garsia D. Classification of oil spill thicknesses using multispectral UAS and satellite remote sensing for oil spill response // IGARSS. IEEE International Geoscience and Remote Sensing Symposium. 2019. Pp. 5863–5866.
Huang L., Miron A., Hone K., Li Y. Segmenting medical images: From UNet to Res-UNet and nnUNet // IEEE 37th International Symposium on Computer-Based Medical Systems (CBMS). 2024. Pp. 483–489.
Кириллов А. и др. Сегментация всего // arXiv. 2019. DOI: 10.48550/arXiv.2304.02643.
Maashri A., Ghommam J., Saleem A., Nasiri N. A multi-drone system for oil spill detection: A simulation and emulation platform // 22nd International Conference on Control, Automation and Systems (ICCAS). 2022. Pp. 397–402.
Митягина М., Лаврова О. Спутниковый мониторинг загрязнения поверхности Черного моря // IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2015. С. 2291–2294.
Офицеров В., Конушин А. Сегментация изображений высокого разрешения с использованием моделей глубокого обучения // International Journal of Open Information Technologies. 2024. Vol. 12 (6). С. 57–64.
Oliveira A., Pedrosa D., Santos T., Dias A. Design and development of a multi rotor UAV for oil spill mitigation // OCEANS. Марсель, 2019. Pp. 1–7.
Prochazka A. et al. Satellite image processing and air pollution detection // IEEE International Conference on Acoustics, Speech, and Signal Processing. Proceedings (Cat. No. 00CH37100). 2000. Vol. 6. Pp. 2282–2285.
Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI). 2015. Vol. 9351. Pp. 234–241. DOI: 10.1007/978-3-319-24574-4_28.
Saleem A. et al. Detection of oil spill pollution in seawater using drones: Simulation & Lab-based experimental study // IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS). 2021. Pp. 1–5.
Tan M., Le Q.V. EfficientNet: Rethinking model scaling for convolutional neural networks // Proceedings of the 36th International Conference on Machine Learning. 2019. Pp. 6105–6114.
Vytovtov K.A. et al. Remote monitoring of water pollution with oil products in the visible range by using UAV multispectral camera // International Conference on Information, Control, and Communication Technologies (ICCT). 2022. Pp. 1–5.
Ying H. et al. Evaluation of water quality based on UAV images and the IMP-MPP algorithm // Ecological Informatics. 2021. Vol. 61. P. 101239.
Antonets K.V. Integrated monitoring of oil and gas pollution // International Agricultural Journal. 2021. No. 1. Pp. 49–54.
Вытовтов К.А., Барабанова Е.А., Гладких Т.Я., Новочадова А.В. Идентификация нефтяных загрязнений водной поверхности с использованием БПЛА // Автоматизация в промышленности. 2024. № 6. С. 52–56.
Cheng K., Chan S., Lee J.H. Remote sensing of coastal algal blooms using unmanned aerial vehicles (UAVs) // Marine Pollution Bulletin. 2020. Vol. 152. P. 110889.
Ding H., Li R., Lin H., Wang X. Monitoring and evaluation on water quality of Hun River based on landsat satellite // Progress in Electromagnetic Research Symposium (PIERS). 2016. Pp. 1532–1537.
Eljabri A., Gallagher C. Developing integrated remote sensing and GIS procedures for oil spills monitoring at Libyan coast // WIT Transactions on Ecology and the Environment. 2012. Vol. 44. Pp. 17–20.
Garcia-Pineda O., Hu Ch., Sun Sh., Garsia D. Classification of oil spill thicknesses using multispectral UAS and satellite remote sensing for oil spill response // IGARSS. IEEE International Geoscience and Remote Sensing Symposium. 2019. Pp. 5863–5866.
Huang L., Miron A., Hone K., Li Y. Segmenting medical images: From UNet to Res-UNet and nnUNet // IEEE 37th International Symposium on Computer-Based Medical Systems (CBMS). 2024. Pp. 483–489.
Кириллов А. и др. Сегментация всего // arXiv. 2019. DOI: 10.48550/arXiv.2304.02643.
Maashri A., Ghommam J., Saleem A., Nasiri N. A multi-drone system for oil spill detection: A simulation and emulation platform // 22nd International Conference on Control, Automation and Systems (ICCAS). 2022. Pp. 397–402.
Митягина М., Лаврова О. Спутниковый мониторинг загрязнения поверхности Черного моря // IEEE International Geoscience and Remote Sensing Symposium (IGARSS). 2015. С. 2291–2294.
Офицеров В., Конушин А. Сегментация изображений высокого разрешения с использованием моделей глубокого обучения // International Journal of Open Information Technologies. 2024. Vol. 12 (6). С. 57–64.
Oliveira A., Pedrosa D., Santos T., Dias A. Design and development of a multi rotor UAV for oil spill mitigation // OCEANS. Марсель, 2019. Pp. 1–7.
Prochazka A. et al. Satellite image processing and air pollution detection // IEEE International Conference on Acoustics, Speech, and Signal Processing. Proceedings (Cat. No. 00CH37100). 2000. Vol. 6. Pp. 2282–2285.
Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI). 2015. Vol. 9351. Pp. 234–241. DOI: 10.1007/978-3-319-24574-4_28.
Saleem A. et al. Detection of oil spill pollution in seawater using drones: Simulation & Lab-based experimental study // IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS). 2021. Pp. 1–5.
Tan M., Le Q.V. EfficientNet: Rethinking model scaling for convolutional neural networks // Proceedings of the 36th International Conference on Machine Learning. 2019. Pp. 6105–6114.
Vytovtov K.A. et al. Remote monitoring of water pollution with oil products in the visible range by using UAV multispectral camera // International Conference on Information, Control, and Communication Technologies (ICCT). 2022. Pp. 1–5.
Ying H. et al. Evaluation of water quality based on UAV images and the IMP-MPP algorithm // Ecological Informatics. 2021. Vol. 61. P. 101239.
Antonets K.V. Integrated monitoring of oil and gas pollution // International Agricultural Journal. 2021. No. 1. Pp. 49–54.
Вытовтов К.А., Барабанова Е.А., Гладких Т.Я., Новочадова А.В. Идентификация нефтяных загрязнений водной поверхности с использованием БПЛА // Автоматизация в промышленности. 2024. № 6. С. 52–56.
Ключевые слова:
экологический мониторинг, БПЛА, мультиспектральные изображения, нефтяные загрязнения, глубокое обучение, нейронные сети, обработка информации.
Статьи по теме
Искусственный интеллект и машинное обучение Страницы: 9-18 DOI: 10.33693/2313-223X-2022-9-3-9-18 Выпуск №21873
Элементы искусственного интеллекта для задачи определения положения автотранспортного средства на изображении
компьютерное зрение
нейронные сети
сверточные нейронные сети
распознавание изображений
YOLO
Подробнее
5.2.3. РЕГИОНАЛЬНАЯ И ОТРАСЛЕВАЯ ЭКОНОМИКА Страницы: 16-22 Выпуск №21250
Влияние искусственного интеллекта на инвестиционный климат и социально-экономическое развитие России
искусственный интеллект
инвестиционный климат
цифровая экономика
нейронные сети
аддитивный метод
Подробнее
Математическое моделирование, численные методы и комплексы программ Страницы: 20-36 DOI: 10.33693/2313-223X-2024-11-5-20-36 Выпуск №172073
Методы машинного обучения для определения оптимального времени орошения кукурузы
искусственный интеллект
нейронные сети
компьютерное зрение
гиперспектральное изображение
классификация кукурузы
Подробнее
Вычислительное моделирование высокотехнологичных производственных процессов Страницы: 46-58 DOI: 10.33693/2313-223X-2021-8-1-46-58 Выпуск №18588
Применение инструментов моделирования в рамках функционирования «умного» нефтехимического производства
«умное» производство
нефтехимическое предприятие
моделирование
BPMN
IDEF0
Подробнее
05.13.06 АВТОМАТИЗАЦИЯ И УПРАВЛЕНИЕ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ И ПРОИЗВОДСТВАМИ Страницы: 30-34 Выпуск №15533
ПРОБЛЕМА ПРОГНОЗИРОВАНИЯ ПРОИЗВОДСТВЕННОГО ПРОЦЕССА АВТОМАТИЧЕСКОГО ПОРОШКОВОГО ОКРАШИВАНИЯ В МЕТАЛЛООБРАБАТЫВАЮЩЕМ ЦЕХЕ
производственный процесс
металлообрабатывающий цех
порошковое окрашивание
прогнозирование
математический аппарат
Подробнее
Информатика и информационные процессы Страницы: 64-80 DOI: 10.33693/2313-223X-2024-11-3-64-80 Выпуск №143798
Алгоритм идентификации аномальных действий
глубокое обучение
поведение человека
видеонаблюдение
deep learning
human behavior
Подробнее
Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей Страницы: 114-121 DOI: 10.33693/2313-223X-2024-11-4-114-121 Выпуск №173588
Improving Network Security Through Deep Learning RNN Approach
система обнаружения вторжений
RNN
LSTM
безопасность сети
оптимизатор Adamax
Подробнее
5.2.2. МАТЕМАТИЧЕСКИЕ, СТАТИСТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ В ЭКОНОМИКЕ Страницы: 150-155 Выпуск №20468
О некоторых специфических ограничениях применения Data Mining
Большие данные
информационные технологии
анализ данных
классификация
кластеризация
Подробнее
5.2.2.МАТЕМАТИЧЕСКИЕ, СТАТИСТИЧЕСКИЕ И ИНСТРУМЕНТАЛЬНЫЕ МЕТОДЫ В ЭКОНОМИКЕ Страницы: 190-199 Выпуск №22019
Построение нейронной сети для прогнозирования цены опциона
финансовый рынок
исполнение опционов
нейронные сети
функция потерь
модели стоимости опционов
Подробнее